基于李雅普诺夫优化的移动边缘计算任务卸载策略研究

发布时间：2021-08-12 02:59

　　随着移动设备的快速发展,相关智能应用极大地改变了人们的生活方式。但由于移动设备的计算和存储资源有限,同时传统云计算中任务卸载方式存在高延迟、网络拥塞、传输距离远等问题,已经不能满足计算密集型和时延敏感型任务的计算要求。而移动边缘计算（Mobile Edge Computing,MEC）技术将云端的计算与存储能力下沉到用户近端的网络节点上,并且能够在满足低延迟的要求下提供计算服务。因此,将任务卸载到MEC服务器上计算,能够提高任务计算效率、降低任务时延、降低移动设备能耗和任务卸载成本。MEC中任务卸载受到能耗、时延以及卸载成本等多种因素影响,如何高效地进行任务卸载是亟需解决的问题。当前,众多学者研究了MEC中任务卸载的最小化卸载成本,最小化能耗和时延等问题,但存在一些不足:（1）基于最小化卸载成本的研究中,未考虑对MEC中任务卸载成本（信道传输成本和任务计算成本）的优化,以及其它空闲移动设备能够提供计算服务的可能;（2）基于最小化能耗和时延的研究中,未考虑在保证队列稳定的情况下同时降低任务时延和移动设备能耗,并且现有研究在降低移动设备能耗和任务时延方面,采用的方法依赖系统参数的过去状态,... 

【文章来源】：江西师范大学江西省

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

云计算架构图

硕士学位论文4务器具有较强的计算能力，每一个MEC服务器包含特定的应用程序和计算服务，它的作用相当于一个靠近用户端的小型云中心[14]。移动设备通过无线网络连接到MEC服务器，而MEC服务器通过高速链路连接到云中心。将来会有数以亿计的MEC服务器部署在移动设备近端，其系统架构如图1-3所示。图1-3MEC系统架构图随着技术的发展，移动设备的功能将更加完善和丰富，但是移动设备的处理能力仍然不能满足计算密集型任务的计算需求。在云计算模式中，云服务器与移动设备的距离较远，不利于任务高效卸载的实现[7,13]，而MEC服务器有充足的能力处理计算密集型和时延敏感型任务[15]。因此，将计算密集型和时延敏感任务卸载到MEC服务器上处理是任务卸载的一种重要方式，对于移动设备任务的高效处理具有积极作用。目前，来自学术界和工业界的研究人员一直在积极推动MEC技术的发展。MEC是云计算向边缘的延伸，两者既有相似之处，也存在很多不同，它们的具体细节如表1–1所示。表1–1移动边缘计算和云计算对比表类目移动边缘计算(MEC)云计算计算模型相对分布集中服务硬件小型数据中心大型数据中心与用户距离较近远连接方式无线连接专线连接隐私保护高低时延较低高核心思想边缘化集中化计算资源相对较多丰富存储容量相对较大丰富应用方面对时延较高的应用：自动驾驶、AR、实时系统对计算量要求大的任务：在线商业、电商平台数据支撑、航天数据分析从表1–1可以看出，云计算和MEC在很多方面都有不同，将任务卸载到

基于李雅普诺夫优化的移动边缘计算任务卸载策略研究21基于李雅普诺夫优化的流程分析主要步骤如图3-3所示。图3-3基于李雅普诺夫优化的流程分析图关于以前MEC中任务卸载的论文中，学者采用了各种数学法，比如凸优化、贪心策略、随机梯度算法[52,53]，但是这些方法都不能根据当前时间片的状态实时进行判定。李雅普诺夫优化算法的能够在每个时间片的系统变化中自动适应网络状态，不需要人为的去改变里面的一些控制量，具有自动学习的能力。它不需要像大部分算法一样需要很多先验性的参数输入，对于动态变化的系统的实时控制具有很好的适应性，也同时保证了相对较低的算法复杂性。在算法计算过程中，该算法不是直接计算最优值，而是通过计算证明函数具有最优上界而保证系统稳定和最优解的存在，比其他算法的直接求解更加简单[49]。考虑一个具有M个队列的动态系统，12()((),(),...,())MQtQtQtQt代表队列向量。假设Q(t)在每个时间片变化。对于向量Q(t)，定义二次的李雅普诺夫函数：211(t)()2MiiiLQtQ(3-8)其中0{}Mii是整数权值，一般情况下所有权值=1i。L(Q(t))总是非负的，当且仅当Q(t)中所有的队列为0时L(Q(t))为零。定义李雅普诺夫漂移函数[50,54]：

【参考文献】：
硕士论文
[1]基于移动边缘计算的任务卸载策略研究[D]. 刘国强.哈尔滨工业大学 2018
[2]基于边缘计算的无线自适应视频流传输技术研究[D]. 彭艳蓉.华中科技大学 2018



本文编号：3337443